跳过正文

首页 / 文章

【OriginPro】根据公式画图---可用做多元线性回归或者一元线性回归

本文介绍了多元线性回归的图像展示方法,涵盖了如何绘制函数图、散点图,以及如何使用OriginPro进行数据可视化分析,帮助你更直观地解释线性回归模型。

她笑中藏泪花·
··56 字·1 分钟

缘由
#

在完成多元线性回归分析后,仅用公式呈现结果会显得过于抽象以及单调。本文将通过OriginPro软件,手把手教你三种可视化函数的方法,并特别演示散点图与函数图的组合技巧。


基础可视化方法
#

方法一:函数图快速绘制法
#

  1. 操作路径:点击顶部菜单栏绘图>函数图>2D图
  2. 公式输入规范
    • 合并所有自变量为单一符号x,(如果有多个自变量x,只需统一输入x,不要输入x1、x2。软件语法限制)
    • 示例:原公式y=0.217x₁+0.115x₂+0.416x₃+0.24x₄需改写为 y=0.217*x+0.115*x+0.416*x+0.24*x
  3. 参数设置建议
    • 点:是指绘制的点的数量(根据以前的知识我们知道,点可以构成线),点的数量越多,线就越平滑。
    • 代表x的取值范围
    • 在这里我们绘制的是直线,点数为100,x的范围设置为0到10。;如果要绘制曲线,可以适当增加点数。
      函数图参数设置
  4. 图像优化:点击确定后,图像就绘制完成了,最后只需对图像进行美化即可!
    Pasted image 20250219202811

方法2:列值设置法
#

  1. 自变量设置

    • 首先左键单击A(X),然后右键选择设置列值并输入范围和公式。
    • 需要注意的是,Row(行)设置为i,而不是x
    • 从(F)到(T)表示设置自变量i的取值范围。实测F最小只能设置为0,表示设置点的数量。
    • Col则是设置自变量的具体值:最好为n*i(生成等差序列)

    自变量列设置

  2. 因变量设置

    • 左键单击B(Y),然后右键选择设置列值并输入范围和公式。
    • 这里的Row可以设置为自动,系统会根据自变量的范围自动匹配因变量的数量。
    • Col直接输入公式即可。需要注意的是,因为我们刚才设置了自变量在A列,所以这里的x应当输入为A。

    因变量列设置

  3. 图表生成:全选数据后绘制折线图即可!


方法3:公式单元格快捷法
#

  • 直接双击表格下面的F(x)单元格输入公式,具体要求与方法2相同。

  • 特点:快速生成但默认点数较少(需手动调整时,右键列进入列属性修改)

    公式单元格输入


高级应用:散点图与函数图叠加
#

一般散点+函数,是一元线性回归用的比较多,但大家想在多元里面画一个这样的图也是可以的。

  1. 导出函数数据:(注:如果你用方法2或者方法3已经有函数数据了,那么就不需要这一步,这一步只是为了方便一点点。)

    • 在方法1中,绘制完成函数图后,双击图表,点击函数,然后更改函数设置。接着点击工作簿,就可以将函数数据导出到一个表格中。
      数据导出设置
  2. 数据预处理

    • 将导出的数据(用于线性回归分析的数据)粘贴到OriginPro的表格中。此时,我们将自变量设置为Y,因变量设置为X(方便绘图)。
      数据格式调整
  3. 创建基础散点图

    • 全选数据 > 绘图>基础2D图>散点图
    • 点击最右边的交换XY按钮对齐坐标方向

    坐标轴交换

  4. 添加函数图像

    • 右键点击空白区域,选择新图层(轴) > 无轴(关联XY轴的刻度和尺寸)(N)
    • 在图表窗口中选中“2”,右键点击图表绘制

    图层管理界面

  5. 调整

    • 首先选择折线图,然后在上方窗口选择包含函数数据的表格,设置X和Y轴后点击“应用”确认。
    • 如果不希望坐标轴变化,可以取消勾选“调整刻度”。
    • 如果没有显示表格,可以点击显示(S)最右表箭头来显示工作簿。
      图像合成效果
  6. 完成后,图表就绘制好了,接下来可以根据需求进行美化和调整!

    最后结果展示

点击此文本观看本文视频版

相关文章

【OriginPro】绘制相关分析热力图

··32 字·1 分钟
本文介绍了如何使用OriginPro绘制美观且信息全面的相关性热力图,并与Python绘制的热力图进行了对比。提供了详细的步骤,帮助你快速上手OriginPro插件,优化数据分析结果。

回归分析---三种逻辑回归之间的差异

··28 字·1 分钟
本文介绍了三种常见的逻辑回归模型:二元逻辑回归、多元逻辑回归和有序逻辑回归,并详细解析了它们在不同类型因变量上的应用和区别,帮助读者理解这些统计模型在实际分析中的使用场景。